基于神经网络分类器的联机手写藏文识别

摘要

本文是在参加国家自然科学基金《藏文智能输入研究》(基金号：60273090)的基础上完成的。 分类器是识别系统的识别模块的核心，其设计的优劣直接影响到识别系统的速度和识别率。先前版本的联机手写藏文系统的分类器是基于结构的方式设计的，在识别率等问题上存在相当的不足，为了进一步提高识别速度与识别效率，本文尝试探索一条新的构造联机手写藏文系统的分类器的道路。本文以具有强自学习性、自适应性、鲁棒性及容错性的神经网络为基础，设计出基于动量项的改进的BP神经网络分类器，并尝试性地将它应用到联机手写藏文系统中。 为了提高神经网络性能，分类器采用了单字单网的神经网络群结构，以尽可能地提高分类器识别能力。同时，又为了减弱神经网络的识别延迟问题，对每个单网采用了简化的三层网络结构，且每个结构的输出层神经元数为1。基于简单神经网络的大规模神经网络群结构使得构建的神经网络识别器具有高效、高性能的优势。 单字单网神经元数目的确定是神经网络分类器设计的另一关键技术。为了避免维数灾难的同时不损失藏文字本身的信息，在确定输入层神经元数目时，采用笔划拐点坐标值；用基于经验公式的试探法确定隐层神经元数；采用高效的Sigmoid函数作为隐层和输出层的传递函数，以提高学习速率；根据反复实验确定神经网络的期望误差阈限、学习速率常数、动量项常数等运行参数。 实验时共采集到32套样本，每套样本含117个手写字符，其中26套为训练样本，6套为测试样本。经测试首位识别率最高为71.21％，前10位识别率最高为91.98％，平均首位识别率最高为64.68％，前10位识别率最高为90.02％。

目录

文摘

英文文摘

第一章绪论

第二章模式识别与人工神经网络概述

第三章神经网络输入特征的获取

第四章藏文识别的神经网络分类器的构建

第五章实验结果及分析

第六章总结和展望

参考文献

在校期间的研究成果

关于学位论文使用授权的声明

原创性声明

致谢